CN115472231A - 一种基于肠道菌群的2型糖尿病检测方法 - Google Patents
一种基于肠道菌群的2型糖尿病检测方法 Download PDFInfo
- Publication number
- CN115472231A CN115472231A CN202211237260.1A CN202211237260A CN115472231A CN 115472231 A CN115472231 A CN 115472231A CN 202211237260 A CN202211237260 A CN 202211237260A CN 115472231 A CN115472231 A CN 115472231A
- Authority
- CN
- China
- Prior art keywords
- patients
- flora
- diabetes
- intestinal flora
- intestinal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000000968 intestinal effect Effects 0.000 title claims abstract description 65
- 208000001072 type 2 diabetes mellitus Diseases 0.000 title claims abstract description 51
- 238000001514 detection method Methods 0.000 title claims abstract description 6
- 206010012601 diabetes mellitus Diseases 0.000 claims abstract description 44
- 238000004364 calculation method Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000007477 logistic regression Methods 0.000 claims abstract description 14
- 210000001035 gastrointestinal tract Anatomy 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 9
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000031877 prophase Effects 0.000 claims abstract description 5
- 206010018429 Glucose tolerance impaired Diseases 0.000 claims description 44
- 241000894006 Bacteria Species 0.000 claims description 19
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 claims description 19
- 239000008103 glucose Substances 0.000 claims description 19
- 208000001280 Prediabetic State Diseases 0.000 claims description 18
- 201000009104 prediabetes syndrome Diseases 0.000 claims description 18
- 239000013612 plasmid Substances 0.000 claims description 15
- 230000001580 bacterial effect Effects 0.000 claims description 13
- 241000425347 Phyla <beetle> Species 0.000 claims description 12
- 239000008280 blood Substances 0.000 claims description 12
- 210000004369 blood Anatomy 0.000 claims description 12
- 241000282414 Homo sapiens Species 0.000 claims description 11
- 108020000946 Bacterial DNA Proteins 0.000 claims description 10
- 241000192142 Proteobacteria Species 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 241000605059 Bacteroidetes Species 0.000 claims description 8
- 238000000246 agarose gel electrophoresis Methods 0.000 claims description 8
- 238000007410 oral glucose tolerance test Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 7
- 238000007865 diluting Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 241000606125 Bacteroides Species 0.000 claims description 5
- 241000186000 Bifidobacterium Species 0.000 claims description 5
- 241000193403 Clostridium Species 0.000 claims description 5
- 206010012735 Diarrhoea Diseases 0.000 claims description 5
- 241000194033 Enterococcus Species 0.000 claims description 5
- 241000588748 Klebsiella Species 0.000 claims description 5
- 241000186660 Lactobacillus Species 0.000 claims description 5
- 241000605861 Prevotella Species 0.000 claims description 5
- 239000003242 anti bacterial agent Substances 0.000 claims description 5
- 229940088710 antibiotic agent Drugs 0.000 claims description 5
- 208000030172 endocrine system disease Diseases 0.000 claims description 5
- 208000028774 intestinal disease Diseases 0.000 claims description 5
- 108020004414 DNA Proteins 0.000 claims description 4
- 241000588722 Escherichia Species 0.000 claims description 4
- 238000012408 PCR amplification Methods 0.000 claims description 4
- 239000007795 chemical reaction product Substances 0.000 claims description 4
- 238000010367 cloning Methods 0.000 claims description 4
- 230000013872 defecation Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000003753 real-time PCR Methods 0.000 claims description 4
- 241001446247 uncultured actinomycete Species 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 5
- 201000010099 disease Diseases 0.000 abstract description 4
- 230000006866 deterioration Effects 0.000 abstract 1
- 244000005700 microbiome Species 0.000 description 5
- 241000186361 Actinobacteria <class> Species 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 235000005911 diet Nutrition 0.000 description 3
- 230000002550 fecal effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004060 metabolic process Effects 0.000 description 3
- 206010061218 Inflammation Diseases 0.000 description 2
- 206010022489 Insulin Resistance Diseases 0.000 description 2
- 241000736262 Microbiota Species 0.000 description 2
- 230000001684 chronic effect Effects 0.000 description 2
- 230000000378 dietary effect Effects 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 230000000813 microbial effect Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- HSINOMROUCMIEA-FGVHQWLLSA-N (2s,4r)-4-[(3r,5s,6r,7r,8s,9s,10s,13r,14s,17r)-6-ethyl-3,7-dihydroxy-10,13-dimethyl-2,3,4,5,6,7,8,9,11,12,14,15,16,17-tetradecahydro-1h-cyclopenta[a]phenanthren-17-yl]-2-methylpentanoic acid Chemical compound C([C@@]12C)C[C@@H](O)C[C@H]1[C@@H](CC)[C@@H](O)[C@@H]1[C@@H]2CC[C@]2(C)[C@@H]([C@H](C)C[C@H](C)C(O)=O)CC[C@H]21 HSINOMROUCMIEA-FGVHQWLLSA-N 0.000 description 1
- 241000203809 Actinomycetales Species 0.000 description 1
- 241000203069 Archaea Species 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 241000588724 Escherichia coli Species 0.000 description 1
- 201000002451 Overnutrition Diseases 0.000 description 1
- 241000700605 Viruses Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 210000000227 basophil cell of anterior lobe of hypophysis Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003613 bile acid Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 208000016097 disease of metabolism Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000002651 drug therapy Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007368 endocrine function Effects 0.000 description 1
- 230000037149 energy metabolism Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004129 fatty acid metabolism Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000007236 host immunity Effects 0.000 description 1
- 201000001421 hyperglycemia Diseases 0.000 description 1
- 230000003914 insulin secretion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001404 mediated effect Effects 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 235000020823 overnutrition Nutrition 0.000 description 1
- 230000001575 pathological effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004393 prognosis Methods 0.000 description 1
- 150000004666 short chain fatty acids Chemical class 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 239000003053 toxin Substances 0.000 description 1
- 231100000765 toxin Toxicity 0.000 description 1
- 108700012359 toxins Proteins 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B40/00—ICT specially adapted for biostatistics; ICT specially adapted for bioinformatics-related machine learning or data mining, e.g. knowledge discovery or pattern finding
- G16B40/20—Supervised data analysis
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6844—Nucleic acid amplification reactions
- C12Q1/6851—Quantitative amplification
-
- C—CHEMISTRY; METALLURGY
- C12—BIOCHEMISTRY; BEER; SPIRITS; WINE; VINEGAR; MICROBIOLOGY; ENZYMOLOGY; MUTATION OR GENETIC ENGINEERING
- C12Q—MEASURING OR TESTING PROCESSES INVOLVING ENZYMES, NUCLEIC ACIDS OR MICROORGANISMS; COMPOSITIONS OR TEST PAPERS THEREFOR; PROCESSES OF PREPARING SUCH COMPOSITIONS; CONDITION-RESPONSIVE CONTROL IN MICROBIOLOGICAL OR ENZYMOLOGICAL PROCESSES
- C12Q1/00—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions
- C12Q1/68—Measuring or testing processes involving enzymes, nucleic acids or microorganisms; Compositions therefor; Processes of preparing such compositions involving nucleic acids
- C12Q1/6876—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes
- C12Q1/6888—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms
- C12Q1/689—Nucleic acid products used in the analysis of nucleic acids, e.g. primers or probes for detection or identification of organisms for bacteria
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B25/00—ICT specially adapted for hybridisation; ICT specially adapted for gene or protein expression
- G16B25/20—Polymerase chain reaction [PCR]; Primer or probe design; Probe optimisation
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B30/00—ICT specially adapted for sequence analysis involving nucleotides or amino acids
- G16B30/10—Sequence alignment; Homology search
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
- Y02A50/30—Against vector-borne diseases, e.g. mosquito-borne, fly-borne, tick-borne or waterborne diseases whose impact is exacerbated by climate change
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Medical Informatics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Organic Chemistry (AREA)
- Proteomics, Peptides & Aminoacids (AREA)
- Biophysics (AREA)
- Analytical Chemistry (AREA)
- Biotechnology (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Zoology (AREA)
- Wood Science & Technology (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Epidemiology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Pathology (AREA)
- Primary Health Care (AREA)
- Immunology (AREA)
- Microbiology (AREA)
- Biochemistry (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本发明公开了一种基于肠道菌群的2型糖尿病检测方法,包括菌群采集模块、菌群分析模块、数据传递模块和因素预测模块,菌群采集模块用于采集待检测人群的肠道菌群,菌群分析模块用于对采集的肠道菌群组分进行处理分析,获取肠道中各菌群的相对含量,数据传递模块用于将分析处理好的肠道菌群的相对含量数据进行传递,因素预测模块通过构建Logistic回归模型对健康志愿者转变为糖尿病前期患者并且后续转换成糖尿病的发生率进行预测。本发明通过设有的Logistic回归模型能够对健康人员转换为糖尿病前期患者并且由糖尿病前期转换成2型糖尿病的过程进行概率计算,根据患者所处的不同患病程度对患者进行人为干预,能够减缓患者患病状况的恶化,降低患病概率。
Description
技术领域
本发明涉及糖尿病领域,特别涉及一种基于肠道菌群的2型糖尿病检测方法。
背景技术
环境对人类健康和疾病的很大一部分影响可能是由微生物群落介导的。这些微生物统称为微生物群,包括大量相互作用的原核生物中的真细菌、古细菌、非细胞噬菌体、真核病毒,它们大多数是共生或互利的微生物。微生物组是指特定时间、特定生境中微生物群所包含的基因序列的总和,是一个比人类基因组高出一个数量级的基因库。大多数微生物居住在人类的肠道内,并受到出生方式、婴儿喂养、生活方式、药物治疗和宿主基因的影响。肠道微生物在宿主免疫、调节肠道内分泌功能和神经信号、改变药物作用和代谢、排除毒素和产生大量影响宿主的化合物等方面发挥着重要作用,当肠道微生态的抵抗力降低时可干扰肠道菌群的多样性,可使其结构产生持久性变化,原始的生物群落无法“复原”,造成肠道菌群的生态失调,促使其达到一种新的具有更强恢复力的“病态平衡”,使T2DM等慢性病的易感性增加。
2型糖尿病(type2diabetesmellitus,T2DM)主要由外周组织胰岛素抵抗或胰岛β细胞胰岛素分泌功能缺陷导致,以慢性高血糖为特征的慢性代谢性疾病,与肠道菌群密切相关。肠道菌群是人体肠道微生态的重要组成部分,其结构组成、能量代谢等均可影响T2DM的发生发展及预后。已有文献表明T2DM患者的肠道细菌组成与T2DM的低度炎症、空腹血糖浓度及胰岛素抵抗状态密切相关。2型糖尿病患者不平衡的饮食结构破坏了肠道菌群的平衡,一般认为,2型糖尿病的发生发展可能是营养过剩引起肠道微生物紊乱的结果之一。但是,肠道菌群是如何参与2型糖尿病的发生发展尚未有明确的机制,目前,普遍认为肠道菌群可能通过参与胆汁酸代谢、短链脂肪酸代谢、低水平的炎症反应等途径影响了机体的代谢。
2型糖尿病患者在确诊为糖尿病之前,都会经过糖尿病前期至2型糖尿病之间的转换,在糖尿病前期,通过饮食、运动的方式积极干预,可降低2型糖尿病发病率,但是现有的检测方法是直接通过健康人群转变成2型糖尿病的概率进行评价,忽略了健康人群转换成糖尿病前期患者以及后期转换的这一过程,其会在一定程度忽视了降低患病率的可能性,为此,我们提出一种基于肠道菌群的2型糖尿病检测方法。
发明内容
本发明的主要目的在于提供一种基于肠道菌群的2型糖尿病检测方法,能够对2型糖尿病发病年龄段的健康人群转变为2型糖尿病的风险进行预测,在预测过程中根据待测健康人群转变为糖尿病前期并且从糖尿病前期再转变成2型糖尿病患者的几率进行计算,根据检测人群所处不同阶段对其进行不同程度的人为干预,从而有效降低患病率,可以有效解决背景技术中的问题。
为实现上述目的,本发明采取的技术方案为:
一种基于肠道菌群的2型糖尿病检测方法,包括菌群采集模块、菌群分析
模块、数据传递模块和因素预测模块,
所述菌群采集模块用于采集待检测人群的肠道菌群;
所述菌群分析模块用于对采集的肠道菌群组分进行处理分析,获取肠道中各菌群的相对含量;
所述数据传递模块用于将分析处理好的肠道菌群相对含量数据进行传递;
所述因素预测模块通过构建Logistic回归模型对健康志愿者转变为糖尿病前期患者并且后续转换成糖尿病的发生率进行预测;
所述Logistic回归模型的建立步骤为:
步骤一,对不同人群的细菌相对含量进行编号,
编号原则为:将不同人群的细菌相对含量依次编号为A、B、C、D、、、N,且不同菌门编号下的菌门和菌属可自由组合,其中记糖尿病前期患者相对于健康志愿者的A的相对含量为XA1,其他相对含量分别依次记为XB1、XC1、XD1、、、XN1;记2型糖尿病患者的A相对与糖尿病前期患者的A的相对含量为XA2,其他相对含量分别依次记为XB2、XC2、XD2、、、XN2;
步骤二,计算健康志愿者一定转变为糖尿病前期患者和糖尿病前期患者一定转换为2型糖尿病患者的概率,
设健康志愿者一定转变为糖尿病前期患者的概率为P1,通过以下计算公式计算P1,计算公式为:
设糖尿病前期患者一定转换为2型糖尿病患者的概率为P2,通过以下计算公式计算P2,计算公式为:
其中b1和b2为常数;
步骤三,计算健康志愿者转变为糖尿病前期患者并且后续转换成糖尿病的发生率,
其中发生率的计算公式为:P1*P2。
本发明的进一步改进在于,所述待检测人群包括健康志愿者、糖尿病前期患者以及2型糖尿病患者。
本发明的进一步改进在于,所述待检测人群之间没有血缘关系,所述待检测人群中的健康志愿者的数量、糖尿病前期患者的数量以及2型糖尿病患者的数量相同,所述健康志愿者无内分泌疾病、一个月内未服用抗生素以及微生态制剂、一个月内无腹泻疾病以及其他肠道疾病史。
本发明的进一步改进在于,所述肠道菌群包括后壁菌门、放线菌门、拟杆菌门、变形菌门,所述后壁菌门包括但不限于柔嫩梭菌亚群和肠球菌属;所述放线菌门包括但不限于乳酸杆菌种和双歧杆菌种;所述拟杆菌门包括但不限于普氏菌群和拟杆菌属;所述变形菌门包括但不限于大肠杆菌属和克雷伯氏菌属。
本发明的进一步改进在于,所述肠道中各菌群的相对含量的获取步骤为:提取粪便标本中的细菌总DNA,对粪便标本中的细菌总DNA浓度进行测定后对粪便细菌总DNA进行稀释,将待测粪便中的DNA稀释为4ng/ul的浓度作为PCR的反应模板,根据肠道菌群的16SRNA V3设计特异性引物并且根据合成的细菌引物进行PCR扩增并且将反应产物进行琼脂糖凝胶电泳,在经过琼脂糖凝胶电泳后将余下的各菌属进行克隆构建标准品,构建重组质粒标准品以及标准菌,之后进行质粒抽提并且将抽提质粒进行测序并且在基因库对比进行测序,之后进行实时荧光定量PCR反应通过配套软件进行分析处理,获取不同待检测人群的不同的细菌相对含量。
本发明的进一步改进在于,所述待检测人群的肠道菌群的采集方法为:将待检测人群的粪便标本在排便后2h内收集在密闭的粪便储存盒内,并且将粪便标本快速存储在零下80摄氏度的低温冰箱中,从而采集待检测人群的肠道菌群。
本发明的进一步改进在于,所述健康志愿者的标准为空腹血糖小于6.1mmol/L,纳入糖尿病前期患者的标准为IFG空腹血糖6.1-7.0mmol/L、IGT在OGTT试验2h后血浆血糖7.8-11.1mmol/L,纳入2型糖尿病患者的标准为:空腹血糖大于7.0mmol/L或者DM症状加随机静脉血浆葡萄糖大于等于11.1mol/L或者OGTT试验两小时后血浆血糖大于等于11.1mol/L。
与现有技术相比,本发明具有如下有益效果:
1、与现有技术相比,通过对健康志愿者、糖尿病前期患者以及2型糖尿病患者的肠道菌群分别进行采集能够对不同人群体内所需检测的菌群的含量进行获取,能够更加准确的获得不同人群的肠道菌群数据,从而能够获得准确的预测Logistic回归模型。
2、与现有技术相比,通过设有的Logistic回归模型能够对健康人员转换为糖尿病前期患者并且由糖尿病前期转换成2型糖尿病的过程进行概率计算,根据患者所处的不同患病程度对患者进行人为干预,能够减缓患者患病状况的恶化,降低患病概率。
附图说明
为了更清楚地说明本发明的技术方案,下面将对本发明技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一种基于肠道菌群的2型糖尿病检测方法的流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明,其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本专利的限制,为了更好地说明本发明的具体实施方式,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸,对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的,基于本发明中的具体实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。
实施例1
如图1所示,一种基于肠道菌群的2型糖尿病检测方法,包括菌群采集
模块、菌群分析模块、数据传递模块和因素预测模块,
菌群采集模块用于采集待检测人群的肠道菌群;
菌群分析模块用于对采集的肠道菌群组分进行处理分析,获取肠道中各菌群的相对含量;
数据传递模块用于将分析处理好的肠道菌群相对含量数据进行传递;
因素预测模块通过构建Logistic回归模型对健康志愿者转变为糖尿病前期患者并且后续转换成糖尿病的发生率进行预测;
Logistic回归模型的建立步骤为:
步骤一,对不同人群的细菌相对含量进行编号,
编号原则为:将不同人群的细菌相对含量依次编号为A、B、C、D、、、N,且不同菌门编号下的菌门和菌属可自由组合,其中记糖尿病前期患者相对于健康志愿者的A的相对含量为XA1,其他相对含量分别依次记为XB1、XC1、XD1、、、XN1;记2型糖尿病患者的A相对与糖尿病前期患者的A的相对含量为XA2,其他相对含量分别依次记为XB2、XC2、XD2、、、XN2;
步骤二,计算健康志愿者一定转变为糖尿病前期患者和糖尿病前期患者一定转换为2型糖尿病患者的概率,
设健康志愿者一定转变为糖尿病前期患者的概率为P1,通过以下计算公式计算P1,计算公式为:
设糖尿病前期患者一定转换为2型糖尿病患者的概率为P2,通过以下计算公式计算P2,计算公式为:
其中b1和b2为常数;
步骤三,计算健康志愿者转变为糖尿病前期患者并且后续转换成糖尿病的发生率,
其中发生率的计算公式为:P1*P2。
在本实施例中,待检测人群包括健康志愿者、糖尿病前期患者以及2型糖尿病患者。
在本实施例中,待检测人群之间没有血缘关系,待检测人群中的健康志愿者的数量、糖尿病前期患者的数量以及2型糖尿病患者的数量相同,健康志愿者无内分泌疾病、一个月内未服用抗生素以及微生态制剂、一个月内无腹泻疾病以及其他肠道疾病史。
在本实施例中,肠道菌群包括后壁菌门、放线菌门、拟杆菌门、变形菌门,后壁菌门包括但不限于柔嫩梭菌亚群和肠球菌属;放线菌门包括但不限于乳酸杆菌种和双歧杆菌种;拟杆菌门包括但不限于普氏菌群和拟杆菌属;变形菌门包括但不限于大肠杆菌属和克雷伯氏菌属。
在本实施例中,肠道中各菌群的相对含量的获取步骤为:提取粪便标本中的细菌总DNA,对粪便标本中的细菌总DNA浓度进行测定后对粪便细菌总DNA进行稀释,将待测粪便中的DNA稀释为4ng/ul的浓度作为PCR的反应模板,根据肠道菌群的16SRNA V3设计特异性引物并且根据合成的细菌引物进行PCR扩增并且将反应产物进行琼脂糖凝胶电泳,在经过琼脂糖凝胶电泳后将余下的各菌属进行克隆构建标准品,构建重组质粒标准品以及标准菌,之后进行质粒抽提并且将抽提质粒进行测序并且在基因库对比进行测序,之后进行实时荧光定量PCR反应通过配套软件进行分析处理,获取不同待检测人群的不同的细菌相对含量。
在本实施例中,待检测人群的肠道菌群的采集方法为:将待检测人群的粪便标本在排便后2h内收集在密闭的粪便储存盒内,并且将粪便标本快速存储在零下80摄氏度的低温冰箱中,从而采集待检测人群的肠道菌群。
在本实施例中,健康志愿者的标准为空腹血糖小于6.1mmol/L,纳入糖尿病前期患者的标准为IFG空腹血糖6.1-7.0mmol/L、IGT在OGTT试验2h后血浆血糖7.8-11.1mmol/L,纳入2型糖尿病患者的标准为:空腹血糖大于7.0mmol/L或者DM症状加随机静脉血浆葡萄糖大于等于11.1mol/L或者OGTT试验两小时后血浆血糖大于等于11.1mol/L。
通过对健康志愿者、糖尿病前期患者以及2型糖尿病患者的肠道菌群分别进行采集能够对不同人群体内所需检测的菌群的含量进行获取,能够更加准确的获得不同人群的肠道菌群数据,从而能够获得准确的预测Logistic回归模型。
实施例2
如图1所示,一种基于肠道菌群的2型糖尿病检测方法,包括菌群采集
模块、菌群分析模块、数据传递模块和因素预测模块,
菌群采集模块用于采集待检测人群的肠道菌群;
菌群分析模块用于对采集的肠道菌群组分进行处理分析,获取肠道中各菌群的相对含量;
数据传递模块用于将分析处理好的肠道菌群相对含量数据进行传递;
因素预测模块通过构建Logistic回归模型对健康志愿者转变为糖尿病前期患者并且后续转换成糖尿病的发生率进行预测;
Logistic回归模型的建立步骤为:
步骤一,对不同人群的细菌相对含量进行编号,
编号原则为:将不同人群的细菌相对含量依次编号为A、B、C、D、、、N,且不同菌门编号下的菌门和菌属可自由组合,其中记糖尿病前期患者相对于健康志愿者的A的相对含量为XA1,其他相对含量分别依次记为XB1、XC1、XD1、、、XN1;记2型糖尿病患者的A相对与糖尿病前期患者的A的相对含量为XA2,其他相对含量分别依次记为XB2、XC2、XD2、、、XN2;
步骤二,计算健康志愿者一定转变为糖尿病前期患者和糖尿病前期患者一定转换为2型糖尿病患者的概率,
设健康志愿者一定转变为糖尿病前期患者的概率为P1,通过以下计算公式计算P1,计算公式为:
设糖尿病前期患者一定转换为2型糖尿病患者的概率为P2,通过以下计算公式计算P2,计算公式为:
其中b1和b2为常数;
步骤三,计算健康志愿者转变为糖尿病前期患者并且后续转换成糖尿病的发生率,
其中发生率的计算公式为:P1*P2。
在本实施例中,待检测人群包括健康志愿者、糖尿病前期患者以及2型糖尿病患者。
在本实施例中,待检测人群之间没有血缘关系,待检测人群中的健康志愿者的数量、糖尿病前期患者的数量以及2型糖尿病患者的数量相同,健康志愿者无内分泌疾病、一个月内未服用抗生素以及微生态制剂、一个月内无腹泻疾病以及其他肠道疾病史。
在本实施例中,肠道菌群包括后壁菌门、放线菌门、拟杆菌门、变形菌门,后壁菌门包括但不限于柔嫩梭菌亚群和肠球菌属;放线菌门包括但不限于乳酸杆菌种和双歧杆菌种;拟杆菌门包括但不限于普氏菌群和拟杆菌属;变形菌门包括但不限于大肠杆菌属和克雷伯氏菌属。
通过设有的Logistic回归模型能够对健康人员转换为糖尿病前期患者并且由糖尿病前期转换成2型糖尿病的过程进行概率计算,根据患者所处的不同患病程度对患者进行人为干预,能够减缓患者患病状况的恶化,降低患病概率。
需要说明的是,本发明为一种基于肠道菌群的2型糖尿病检测方法,根据待检测人员的血糖含量对人员进行分层,将待检测人员区分为健康志愿者、糖尿病前期患者和2型糖尿病患者,其中健康志愿者的标准为空腹血糖小于6.1mmol/L,纳入糖尿病前期患者的标准为IFG空腹血糖6.1-7.0mmol/L、IGT在OGTT试验2h后血浆血糖7.8-11.1mmol/L,纳入2型糖尿病患者的标准为:空腹血糖大于7.0mmol/L或者DM症状加随机静脉血浆葡萄糖大于等于11.1mol/L或者OGTT试验两小时后血浆血糖大于等于11.1mol/L;在实施时保证待检测人群之间没有血缘关系,待检测人群中的健康志愿者的数量、糖尿病前期患者的数量以及2型糖尿病患者的数量相同,健康志愿者无内分泌疾病、一个月内未服用抗生素以及微生态制剂、一个月内无腹泻疾病以及其他肠道疾病史,采集待检测肠道菌群,使待检测人员排便,采集新鲜粪便,将待检测人群的粪便标本在排便后2h内收集在密闭的粪便储存盒内,并且将粪便标本快速存储在零下80摄氏度的低温冰箱中,从而采集待检测人群的肠道菌群;所需采集的肠道菌群包括后壁菌门、放线菌门、拟杆菌门、变形菌门,后壁菌门包括但不限于柔嫩梭菌亚群和肠球菌属;放线菌门包括但不限于乳酸杆菌种和双歧杆菌种;拟杆菌门包括但不限于普氏菌群和拟杆菌属;变形菌门包括但不限于大肠杆菌属和克雷伯氏菌属。在对粪便进行分析的过程中,提取粪便标本中的细菌总DNA,对粪便标本中的细菌总DNA浓度进行测定后对粪便细菌总DNA进行稀释,将待测粪便中的DNA稀释为4ng/ul的浓度作为PCR的反应模板,根据肠道菌群的16SRNA V3设计特异性引物并且根据合成的细菌引物进行PCR扩增并且将反应产物进行琼脂糖凝胶电泳,在经过琼脂糖凝胶电泳后将余下的各菌属进行克隆构建标准品,构建重组质粒标准品以及标准菌,之后进行质粒抽提并且将抽提质粒进行测序并且在基因库对比进行测序,之后进行实时荧光定量PCR反应通过配套软件进行分析处理,获取不同待检测人群的不同的细菌相对含量,对不同人群的细菌相对含量进行编号,将不同人群的细菌相对含量依次编号为A、B、C、D、、、N,且不同菌门编号下的菌门和菌属可自由组合,其中记糖尿病前期患者相对于健康志愿者的A的相对含量为XA1,其他相对含量分别依次记为XB1、XC1、XD1、、、XN1;记2型糖尿病患者的A相对与糖尿病前期患者的A的相对含量为XA2,其他相对含量分别依次记为XB2、XC2、XD2、、、XN2;
计算健康志愿者一定转变为糖尿病前期患者和糖尿病前期患者一定转换为2型糖尿病患者的概率,设健康志愿者一定转变为糖尿病前期患者的概率为P1,通过以下计算公式计算P1,计算公式为:
设糖尿病前期患者一定转换为2型糖尿病患者的概率为P2,通过以下计算公式计算P2,计算公式为:
其中b1和b2为常数;计算健康志愿者转变为糖尿病前期患者并且后续转换成糖尿病的发生率,其中发生率的计算公式为:P1*P2,根据检测人员向人不同患病程度的转换概率能够对患者进行提前干预,从而降低加剧患病风险,患者此时通过调节控制自身饮食结构以及加强运动方面的自我管理,能够降低病情加重概率。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于肠道菌群的2型糖尿病检测方法,包括菌群采集模块、菌群分析模块、数据传递模块和因素预测模块,其特征在于:
所述菌群采集模块用于采集待检测人群的肠道菌群;
所述菌群分析模块用于对采集的肠道菌群组分进行处理分析,获取肠道中各菌群的相对含量;
所述数据传递模块用于将分析处理好的肠道菌群的相对含量数据进行传递;
所述因素预测模块通过构建Logistic回归模型对健康志愿者转变为糖尿病前期患者并且后续转换成糖尿病的发生率进行预测;
所述Logistic回归模型的建立步骤为:
步骤一,对不同人群的细菌相对含量进行编号,
编号原则为:将不同人群的细菌相对含量依次编号为A、B、C、D、、、N,且不同菌门编号下的菌门和菌属可自由组合,其中记糖尿病前期患者相对于健康志愿者的A的相对含量为XA1,其他相对含量分别依次记为XB1、XC1、XD1、、、XN1;记2型糖尿病患者的A相对与糖尿病前期患者的A的相对含量为XA2,其他相对含量分别依次记为XB2、XC2、XD2、、、XN2;
步骤二,计算健康志愿者一定转变为糖尿病前期患者和糖尿病前期患者一定转换为2型糖尿病患者的概率,
设健康志愿者一定转变为糖尿病前期患者的概率为P1,通过以下计算公式计算P1,计算公式为:
设糖尿病前期患者一定转换为2型糖尿病患者的概率为P2,通过以下计算公式计算P2,计算公式为:
其中b1和b2为常数;
步骤三,计算健康志愿者转变为糖尿病前期患者并且后续转换成糖尿病的发生率,
其中发生率的计算公式为:P1*P2。
2.根据权利要求1所述的一种基于肠道菌群的2型糖尿病检测方法,其特征在于:所述待检测人群包括健康志愿者、糖尿病前期患者以及2型糖尿病患者。
3.根据权利要求1所述的一种基于肠道菌群的2型糖尿病检测方法,其特征在于:所述待检测人群之间没有血缘关系,所述待检测人群中的健康志愿者的数量、糖尿病前期患者的数量以及2型糖尿病患者的数量相同,所述健康志愿者无内分泌疾病、一个月内未服用抗生素以及微生态制剂、一个月内无腹泻疾病以及其他肠道疾病史。
4.根据权利要求1所述的一种基于肠道菌群的2型糖尿病检测方法,其特征在于:所述肠道菌群包括后壁菌门、放线菌门、拟杆菌门、变形菌门,所述后壁菌门包括但不限于柔嫩梭菌亚群和肠球菌属;所述放线菌门包括但不限于乳酸杆菌种和双歧杆菌种;所述拟杆菌门包括但不限于普氏菌群和拟杆菌属;所述变形菌门包括但不限于大肠杆菌属和克雷伯氏菌属。
5.根据权利要求1所述的一种基于肠道菌群的2型糖尿病检测方法,其特征在于:所述肠道中各菌群的相对含量的获取步骤为:提取粪便标本中的细菌总DNA,对粪便标本中的细菌总DNA浓度进行测定后对粪便细菌总DNA进行稀释,将待测粪便中的DNA稀释为4ng/ul的浓度作为PCR的反应模板,根据肠道菌群的16SRNA V3设计特异性引物并且根据合成的细菌引物进行PCR扩增并且将反应产物进行琼脂糖凝胶电泳,在经过琼脂糖凝胶电泳后将余下的各菌属进行克隆构建标准品,构建重组质粒标准品以及标准菌,之后进行质粒抽提并且将抽提质粒进行测序并且在基因库对比进行测序,之后进行实时荧光定量PCR反应通过配套软件进行分析处理,获取不同待检测人群的不同的细菌相对含量。
6.根据权利要求1所述的一种基于肠道菌群的2型糖尿病检测方法,其特征在于:所述待检测人群的肠道菌群的采集方法为:将待检测人群的粪便标本在排便后2h内收集在密闭的粪便储存盒内,并且将粪便标本快速存储在零下80摄氏度的低温冰箱中,从而采集待检测人群的肠道菌群。
7.根据权利要求2所述的一种基于肠道菌群的2型糖尿病检测方法,其特征在于:所述健康志愿者的标准为空腹血糖小于6.1mmol/L,纳入糖尿病前期患者的标准为IFG空腹血糖6.1-7.0mmol/L、IGT在OGTT试验2h后血浆血糖7.8-11.1mmol/L,纳入2型糖尿病患者的标准为:空腹血糖大于7.0mmol/L或者DM症状加随机静脉血浆葡萄糖大于等于11.1mol/L或者OGTT试验两小时后血浆血糖大于等于11.1mol/L。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211237260.1A CN115472231B (zh) | 2022-10-11 | 2022-10-11 | 一种基于肠道菌群的2型糖尿病检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211237260.1A CN115472231B (zh) | 2022-10-11 | 2022-10-11 | 一种基于肠道菌群的2型糖尿病检测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115472231A true CN115472231A (zh) | 2022-12-13 |
CN115472231B CN115472231B (zh) | 2024-04-09 |
Family
ID=84337490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211237260.1A Active CN115472231B (zh) | 2022-10-11 | 2022-10-11 | 一种基于肠道菌群的2型糖尿病检测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115472231B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117797179A (zh) * | 2024-02-23 | 2024-04-02 | 广东医科大学 | 一种2型糖尿病合并非酒精性脂肪肝的小鼠模型构建方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6533930B1 (ja) * | 2018-08-23 | 2019-06-26 | 一般社団法人日本農業フロンティア開発機構 | 疾病評価指標算出方法、装置、システム、及び、プログラム、並びに、疾病評価指標を算出するためのモデル作成方法。 |
CN110189827A (zh) * | 2019-05-24 | 2019-08-30 | 天益健康科学研究院(镇江)有限公司 | 一种获得肠道菌群测序报告的方法 |
-
2022
- 2022-10-11 CN CN202211237260.1A patent/CN115472231B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6533930B1 (ja) * | 2018-08-23 | 2019-06-26 | 一般社団法人日本農業フロンティア開発機構 | 疾病評価指標算出方法、装置、システム、及び、プログラム、並びに、疾病評価指標を算出するためのモデル作成方法。 |
CN110189827A (zh) * | 2019-05-24 | 2019-08-30 | 天益健康科学研究院(镇江)有限公司 | 一种获得肠道菌群测序报告的方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117797179A (zh) * | 2024-02-23 | 2024-04-02 | 广东医科大学 | 一种2型糖尿病合并非酒精性脂肪肝的小鼠模型构建方法 |
CN117797179B (zh) * | 2024-02-23 | 2024-05-28 | 广东医科大学 | 一种2型糖尿病合并非酒精性脂肪肝的小鼠模型构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115472231B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Suchodolski | Analysis of the gut microbiome in dogs and cats | |
Yassour et al. | Sub-clinical detection of gut microbial biomarkers of obesity and type 2 diabetes | |
Shoaie et al. | Elucidating the interactions between the human gut microbiota and its host through metabolic modeling | |
Sachdeva et al. | Analysis of clinical parameters and cardiac magnetic resonance imaging as predictors of outcome in pediatric myocarditis | |
Tsai et al. | Gut microbiota and subclinical cardiovascular disease in patients with type 2 diabetes mellitus | |
CN105132518B (zh) | 大肠癌标志物及其应用 | |
Lai et al. | Effects of dietary fibers or probiotics on functional constipation symptoms and roles of gut microbiota: a double-blinded randomized placebo trial | |
CN114438165B (zh) | 针对稳定型冠心病的急性冠脉综合征风险评估标志物及应用 | |
CN115472231A (zh) | 一种基于肠道菌群的2型糖尿病检测方法 | |
Anderson et al. | The heart and gut relationship: a systematic review of the evaluation of the microbiome and trimethylamine-N-oxide (TMAO) in heart failure | |
Kircher et al. | Predicting butyrate-and propionate-forming bacteria of gut microbiota from sequencing data | |
Viennois et al. | Chronic inflammatory diseases: are we ready for microbiota-based dietary intervention? | |
CN111727263A (zh) | 通过细菌性宏基因组分析来诊断中风的方法 | |
WO2018021761A1 (ko) | 구강 세균의 군집을 이용한 대사증후군 또는 대사증후군 관련 질환 위험 예측 또는 진단용 조성물 | |
Penckofer et al. | Characteristics of the microbiota in the urine of women with type 2 diabetes | |
CN112154202A (zh) | 模拟肠道环境 | |
Leite et al. | Defining small intestinal bacterial overgrowth by culture and high throughput sequencing | |
Ferrocino et al. | Mycobiota composition and changes across pregnancy in patients with gestational diabetes mellitus (GDM) | |
Guo et al. | Deficient butyrate-producing capacity in the gut microbiome of Myalgic Encephalomyelitis/Chronic Fatigue Syndrome patients is associated with fatigue symptoms | |
CN110111841B (zh) | 动脉粥样硬化的识别模型的构建方法 | |
US20230411011A1 (en) | Method and diagnostic apparatus for determining hyperglycemia using machine learning model | |
Kozlitina et al. | Clinical implications of the amyloidogenic V122I transthyretin variant in the general population | |
Wang et al. | A gut aging clock using microbiome multi-view profiles is associated with health and frail risk | |
CN105733988B (zh) | 组合物及应用 | |
Mokhtari et al. | Associations between dietary sugar and fiber with infant gut microbiome colonization at 6 Mo of age |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |